摩根士丹利解读：AI芯片狂奔，电力能否跟上？2027年隐含需求约38GW

TL;DR
· 摩根士丹利按约 1900 万颗 GPU/ASIC、平均每颗 2kW TDP 估算，2027 年芯片隐含电力需求约 38GW，其中英伟达约占 16GW。
· 38GW 不是数据中心总用电量或已经建成的电力容量，而是检验基础设施能否承接芯片出货的压力测试。
· 报告测算 2027 年 AI HBM 需求约 486 亿 Gb、CoWoS 需求约 266 万至 269 万片，但 Rubin Ultra 分层内存方案尚未最终确定。
· 谷歌 TPU 出货预计从 2026 年的 370 万颗升至 2027 年的 735 万颗，并带动 KYEC 等测试供应链订单。

摩根士丹利最新亚洲供应链检查把 AI 扩张换算成了一个更直观的电力数字：按照 2027 年约 1900 万颗 CoWoS 隐含 GPU 和 ASIC、平均每颗 2kW TDP 估算，这批芯片对应的电力容量约为 38GW。

其中，英伟达约占 16GW，谷歌约 9GW，AMD 约 7GW，AWS 约 2GW，微软、Meta 和其他厂商各约 1GW。

需要强调的是，38GW 不是届时全球 AI 数据中心的总用电量，也不是已经落实的电力容量。它没有完整计入 CPU、网络、存储、制冷及其他配套设施用电，更接近一个由芯片出货量推导出的压力测试：如果 2027 年 AI 加速器按供应链模型放量，电力基础设施能否同步承接这些芯片？

这意味着，AI 算力扩张的约束正在从「GPU 能否生产出来」，进一步延伸至 HBM、CoWoS、测试、机架交付和电力接入能否同时到位。

38GW 压力测试，把 AI 瓶颈推向电力

摩根士丹利此次测算基于两个核心假设：2027 年 CoWoS 对应的 GPU 和 ASIC 芯片量约为 1900 万颗，每颗芯片平均 TDP 按 2kW 计算，由此得到约 38GW 的芯片隐含电力需求。

2kW 是为了估算总量而采用的平均假设，并不代表所有 GPU 和 ASIC 都具有相同功耗。38GW 也不等于数据中心实际运行负荷，因为芯片不会始终满载运行，服务器中的 CPU、网络、存储和制冷系统又会带来额外用电。

但这个数字仍然具有参考价值。过去两年，AI 供应链讨论主要集中在 GPU 排产、HBM 供给和 CoWoS 产能。随着芯片出货继续上升，电网接入、变电站建设、数据中心选址和长期购电安排，可能直接影响芯片能否转化为实际可用算力。

芯片交付只是第一步。GPU 或 ASIC 进入数据中心后，还需要服务器、机架、网络、散热、电力和运维系统配套。如果基础设施建设慢于芯片出货，市场可能出现「芯片到了，但机房和电力没有到位」的错配。

2027 年 GPU/ASIC 芯片隐含电力需求约 38GW，其中英伟达 16GW、谷歌 9GW、AMD 7GW。

对英伟达来说，16GW 的隐含需求也解释了为什么公司持续提高单机架的 GPU 密度。报告称，英伟达长期希望通过 scale-up 架构连接更多 GPU，提高机架级计算能力和性能。

但第一代 Rubin Ultra 机架的 Kyber 方案仍面临 PCB 和散热挑战，可能继续采用 Oberon NVL72 设计，再通过 CPO 或 NPO 互联扩展至 NVL576 规模。提高机架密度不会消除电力需求，反而会把供电、散热和互联压力集中到更高规格的数据中心设计上。

HBM 与 CoWoS 同步扩张，Rubin Ultra 规格仍待确定

电力之外，HBM 和先进封装仍是 2027 年前后 AI 芯片扩张的主要约束。

按摩根士丹利供应链模型，2027 年 AI 芯片对应的 HBM 需求约为 486.18 亿 Gb。Exhibit 3 列出的 CoWoS 配置量约为 266.4 万片晶圆，Exhibit 5 给出的全球 CoWoS 需求约为 269.4 万片，两者因统计范围不同略有差异。

报告同时测算，2027 年 AI 计算芯片对应的晶圆收入市场规模至少达到 588 亿美元。英伟达仍是 CoWoS 最大需求方，预计占约 122.2 万片；AMD 和博通分别约为 53 万片和 48.4 万片。

2027 年 AI HBM 需求约 486 亿 Gb，以及不同 GPU、ASIC 的 CoWoS 配置与 HBM 需求。

需求预测仍存在一个重要变量：Rubin Ultra 的 HBM 配置尚未最终确定。

供应链检查显示，Rubin Ultra 可能采用分层规格，高配版本使用 HBM4e 8Hi，低配版本则可能采用 HBM4 12Hi 或 8Hi。摩根士丹利预计，英伟达可能在 2026 年第三季度末前作出最终决定。

这一调整主要反映三方面压力：HBM 产能短缺、内存成本上升，以及不同 AI 工作负载对容量和带宽的需求并不相同。报告认为，降低 HBM 配置对解码工作负载的影响可能大于预填充，尤其是在长上下文大模型中。

需要注意的是，Exhibit 3 仍按 Rubin Ultra 配置 HBM4e 12Hi、单颗总容量 384GB 测算。因此，486 亿 Gb 的 HBM 需求尚未完全反映潜在的分层降规格方案。如果最终配置下调，单颗芯片的 HBM 用量可能减少，但更低的内存成本也可能推动芯片出货增加，部分抵消单颗用量下降的影响。

美光公开信息显示，其 HBM4 已进入大批量出货阶段，HBM4E 预计于 2027 年量产。供应端正在推进新产品，但 Rubin Ultra 最终采用何种配置，仍取决于英伟达对性能、成本和供应保障的综合权衡。

Rubin 系列的出货节奏仍然激进。报告预计，2027 年 Rubin 和 Rubin Ultra 合计出货接近 700 万颗，其中 Rubin 约 592 万颗、Rubin Ultra 约 104 万颗；Rubin NVL72 机架出货可能达到约 9 万台。

Rubin 预计从 2026 年第三季度开始爬坡，第四季度启动机架出货。报告还认为，此前市场担忧的 Blackwell「库存」更多是供应链缓冲库存，预计将在 2026 年被完全消化。

Rubin 与 Rubin Ultra 芯片出货及 Rubin NVL72 机架出货预测。

这意味着，从 2026 年下半年到 2027 年，英伟达供应链需要同时完成 Blackwell 库存消化、Rubin 爬坡、HBM 规格切换和机架交付。任何一个环节放缓，都可能影响最终可交付的算力规模。

谷歌 TPU 增至 735 万颗，订单向测试链传导

除英伟达外，谷歌 TPU 是报告中另一条明显的增长主线。

按摩根士丹利预测，谷歌 TPU 出货量将从 2026 年的 370 万颗增加至 2027 年的 735 万颗。其中，由博通参与的 v8i 预计出货 400 万颗，由联发科参与的 v8t 预计出货 300 万颗，v9 预计约 15 万颗，其余约 20 万颗来自 v7。

谷歌各代 TPU 出货预测及其对 KYEC 收入的潜在贡献。

TPU 放量将把订单传导至芯片设计、晶圆制造、先进封装和测试环节。报告预计，TPU 相关业务可能占 KYEC 2026 年收入的 7% 至 8%，2027 年占比略高于 10%，包括最终测试和部分晶圆探测收入。

如果把谷歌 CPU、TPU、最终测试和部分晶圆探测业务全部纳入，谷歌相关需求预计将占 KYEC 2027 年收入的 10% 至 15%，高于 2026 年的 8% 至 10%。

测试需求也在变得更加复杂。报告称，联发科参与的 3nm TPU 预计采用 Burn-in 测试，以提高 AI 芯片的性能稳定性和可靠性；谷歌 CPU 项目也需要 Burn-in 和系统级测试。

更复杂的测试流程和更长的测试周期将增加测试厂订单，但测试产能是否会成为瓶颈，还取决于单颗芯片测试时间与整体出货量的共同变化。报告同时提示，部分测试时间缩短可能缓解近期产能压力，因此不能简单把测试需求增长等同于产能必然短缺。

38GW 不是需求终点，而是交付能力测试

这份供应链检查最值得关注的地方，不只是给出更多 AI 芯片出货数字，而是把 2027 年的主要扩张约束放在了同一套模型中：英伟达继续提高 GPU 密度，谷歌 TPU 快速放量，HBM 和 CoWoS 需求同步上升，芯片隐含电力需求则被推高至 38GW。

这些数字仍然依赖多个前提。Rubin Ultra 的分层 HBM 方案尚未最终确定，降低内存配置对长上下文解码性能的影响仍需验证；CoWoS 和 HBM 产能需要按计划扩张；服务器、机架、电力和散热建设也要跟上芯片交付。

互联方案同样可能带来差异。报告称，由于本土代工工艺限制，中国 AI GPU 厂商的 SerDes 速度可能仍停留在每通道 100Gb/s，因此其超节点架构正在更多采用 NPO 互联，而英伟达长期更看重 CPO。不同路线将影响超节点设计、部署成本和系统效率。

所以，38GW 并不是对 2027 年实际用电量的精确预测，而是一个从芯片出货侧推导出的压力测试。它显示 AI 芯片需求依然强劲，也提醒市场：决定 AI 算力能否兑现的，可能不再只是 GPU 排产，而是 HBM、CoWoS、测试、机架和电力能否在同一时间到位.